Prediction of Penetration Rate Ahead of the Bit through Real-Time Updated Machine Learning Models
Notice bibliographique
Résumé
Abstract Rate of penetration (ROP) in petroleum engineering refers to the speed of forward motion of the drilling tools during the drilling process. This is an important parameter that has long been optimized for maximization, keeping in mind human, safety, and environmental factors along with consideration to downhole tools. Its importance is validated by estimating the drilling. Longer estimates of drilling time translate to increased costs. Drilling costs are affected mainly due to the following contributing factors: non-productive time, idle time, and invisible time. Attempts have been made to reduce these times to reduce costs. Simultaneously the time taken for drilling can also be reduced by effectively increasing the ROP. Drilling depths, on average are between 5,000 to 10,000 feet, coupled with a formation that has complex properties are major factors contributing to non-productive time covering a high proportion of drilling time. Thus, a large non-productive time leads to longer drilling cycles, and eventually, a low ROP. In an attempt to reduce the non-productive time, there is a need to optimize the ROP. Higher ROP facilitates a decrease in time and thus costs. In this paper, ROP is effectively predicted using artificial neural networks not at the surface, but at the bit. The artificial neural network has several advantages that overcome the limitations of the conventional models. By effectively predicting ROP, estimation of the whole drilling process time and cost, identification of specific reasons that slow down the drilling process are possible, and proper measures to avoid these issues can be implemented. The target of any ROP optimization strategy should be to have the highest ROP mechanically possible, considering human health, safety, and environment, and factoring in conditions of the well and drilling state.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».